基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)

文章針對高速公路預(yù)警系統(tǒng)在隧道場景中存在的問題，提出了一種基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)。該系統(tǒng)以目標(biāo)檢測、多目標(biāo)跟蹤算法為主要的高速公路隧道預(yù)警手段，借助高速公路隧道中的視頻監(jiān)控系統(tǒng)提高預(yù)警系統(tǒng)在隧道中預(yù)警的實時性和準(zhǔn)確性，為后續(xù)把握道路異常運行狀態(tài)提供有力保障。

目標(biāo)檢測；隧道預(yù)警；高速公路

U491.1+16A582012

基金項目：

2021年度交通運輸重點科技項目“基于雷視融合感知的數(shù)字孿生公路隧道關(guān)鍵技術(shù)研究與應(yīng)用”（編號：2021-MS4-102）

作者簡介：

高" 山（1981—），高級工程師，主要從事高速公路投資建設(shè)與管理工作。

0" 引言

近年來，我國高速公路網(wǎng)的規(guī)模不斷擴(kuò)大以及公路硬件設(shè)施不斷完善，人們的交通出行也變得愈加便利。但是，隨著高速公路網(wǎng)的交通需求不斷增大，車輛載重量以及行駛速度不斷提高，引發(fā)了更多的交通事故。特別是高速公路上的隧道場景，較普通路段事故更多，且極易導(dǎo)致二次事故的發(fā)生。交通事故對人們造成嚴(yán)重的財產(chǎn)損失，易引起高速公路通行能力下降。因此，對高速公路上重點路段的交通狀況進(jìn)行實時監(jiān)控、實時分析是十分必要的。

1" 發(fā)展現(xiàn)狀及應(yīng)用背景

高速公路是道路運輸系統(tǒng)中重要的一環(huán)，與其他運輸方式相比，道路運輸過程中事故發(fā)生率較高。特別是重點路段，事故嚴(yán)重程度會比其他交通運輸方式更為嚴(yán)重。因此，為了迅速發(fā)現(xiàn)重點路段交通事故并及時預(yù)警、救援，發(fā)展智能交通事件預(yù)警系統(tǒng)是一個必然的趨勢。盡管智能交通事件預(yù)警系統(tǒng)已經(jīng)應(yīng)用在普通路段的高速公路中，但是智能交通事件預(yù)警系統(tǒng)［1］在隧道等重點路段中的應(yīng)用仍存在一些技術(shù)難點。

1.1" 視頻數(shù)據(jù)采集時傳輸條件不理想

在對多路隧道視頻數(shù)據(jù)信息進(jìn)行數(shù)據(jù)采集時，數(shù)據(jù)傳輸?shù)男诺缽?fù)雜多變，傳輸條件比較苛刻。在信道帶寬有限的情況下，以低碼率下對數(shù)據(jù)進(jìn)行傳輸時，會導(dǎo)致畫面不清晰的情況，影響后續(xù)系統(tǒng)的分析判斷。為此，應(yīng)對采集到的視頻數(shù)據(jù)信息使用變分辨率編碼算法進(jìn)行處理，以獲取清晰的視頻信息。

1.2" 多目標(biāo)檢測效果不理想

由于在隧道場景中受到光線、背景等方面影響，使道路場景中訓(xùn)練的多目標(biāo)檢測模型檢測效果不理想。為解決此問題，本文從特征融合、樣本均衡等角度對模型進(jìn)行調(diào)整，進(jìn)一步提高多目標(biāo)檢測模型在隧道場景中的檢測能力。

1.3" 多目標(biāo)跟蹤效果不佳

由于在隧道中車道背景方向比較單調(diào)以及車道位置不夠開闊導(dǎo)致車輛部分遮擋現(xiàn)象頻頻發(fā)生，從而導(dǎo)致車輛跟蹤不準(zhǔn)確引起車輛跟蹤效果不佳。本文采用多級特征匹配、多級篩查機(jī)制以及短時記憶算法，進(jìn)一步提高在隧道中多目標(biāo)跟蹤的跟蹤效果。

2" 高速公路隧道預(yù)警系統(tǒng)

針對現(xiàn)有的高速公路預(yù)警系統(tǒng)［2］在隧道場景中應(yīng)用過程中存在的問題，本文提出了一種基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)。本系統(tǒng)通過對多路數(shù)據(jù)采集、多目標(biāo)檢測、多目標(biāo)跟蹤等方面進(jìn)行深入研究以及優(yōu)化，從而構(gòu)建多路數(shù)據(jù)采集子系統(tǒng)、多目標(biāo)檢測子系統(tǒng)、多目標(biāo)跟蹤子系統(tǒng)與事件檢測子系統(tǒng)［3］，對高速公路中的隧道場景進(jìn)行全天候?qū)崟r監(jiān)控［4］、分析，提升高速公路異常事件感知效率，增強(qiáng)高速公路網(wǎng)風(fēng)險監(jiān)測預(yù)警能力。見圖1。

2.1" 多路數(shù)據(jù)采集子系統(tǒng)

多路數(shù)據(jù)采集子系統(tǒng)通過實時流協(xié)議接入多路隧道監(jiān)控視頻，對每一路視頻實行預(yù)處理。多路數(shù)據(jù)采集子系統(tǒng)通過接收相機(jī)提供的API獲取預(yù)制參數(shù)，然后對視頻流截取圖片生成畸變模型，再通過校正函數(shù)進(jìn)行處理并校正；單路數(shù)據(jù)通過校正之后，使用透視變換函數(shù)完成對當(dāng)前單路視頻數(shù)據(jù)的識別范圍變換，以獲取鳥瞰視角的車道信息；形成鳥瞰圖之后，利用邊緣檢測器對其進(jìn)行處理之后再通過曲線頭尾線性方向?qū)嚨谰€進(jìn)行拼接后得到清晰的車道線信息。

在獲取車道線信息后對多路視頻進(jìn)行變幀率強(qiáng)制編碼為Ⅰ幀，對于降分辨率幀及升分辨率幀之前的所有低分辨率幀，由于其分辨率在編碼過程中降低，不能直接編碼，在系統(tǒng)處理中采用padding的方式解決該問題。即將降分辨率的圖像幀放至原始分辨率大小幀的左上角位置，其余位置進(jìn)行padding，最終得到高畫質(zhì)的視頻信息以及車道線信息。

2.2" 多目標(biāo)檢測子系統(tǒng)

在多目標(biāo)檢測子系統(tǒng)中，對YOLOv3模型進(jìn)行多方面的優(yōu)化以提高多目標(biāo)檢測子系統(tǒng)的檢測速度和泛化能力。為了提高目標(biāo)檢測子系統(tǒng)的檢測速度，在YOLOv3的backbone模塊使用了更輕量級網(wǎng)絡(luò)ResNet-101進(jìn)行特征提取以滿足多目標(biāo)檢測子系統(tǒng)實時性的要求。對提取到的特征使用ASFF自適應(yīng)特征融合方式，對其他級別的特征施加空間濾波，從而僅保留有用的特征進(jìn)行組合，充分利用語義信息和細(xì)粒度特征，提高多目標(biāo)檢測子系統(tǒng)的泛化能力。為了處理少量目標(biāo)識別準(zhǔn)確率低的問題，調(diào)整損失函數(shù)使用Gaussian Loss保證均勻的空間分布和等間距的聚類中心，并使用Focal Loss增加難分樣本在損失函數(shù)中的權(quán)重，從而保證少量目標(biāo)在特征空間中的多樣性和可判別性，提高少樣本目標(biāo)的檢測精度。見圖2。

2.3" 多目標(biāo)跟蹤子系統(tǒng)

通過對高速公路交通事件目標(biāo)檢測子系統(tǒng)的構(gòu)建實現(xiàn)了對高速公路隧道中車輛的檢測，但是僅對高速公路隧道中的車輛進(jìn)行檢測還不足以對交通事件進(jìn)行檢測、預(yù)警，還需要對車輛進(jìn)行跟蹤，從而獲取車輛的穩(wěn)定軌跡信息，根據(jù)軌跡的信息對預(yù)警信息進(jìn)行判定。本子系統(tǒng)將完成對車輛軌跡跟蹤，在車輛ID不變的情況下獲取穩(wěn)定車輛的軌跡信息。

為了解決在隧道場景中車輛遮擋導(dǎo)致的目標(biāo)跟蹤［5］不準(zhǔn)確的問題，使用自適應(yīng)感知多目標(biāo)跟蹤算法，結(jié)合目標(biāo)外觀特征、目標(biāo)運動特征、自適應(yīng)抗遮擋特征，提高目標(biāo)跟蹤過程中匹配的準(zhǔn)確性。引入了多級篩查機(jī)制，第一級篩查在數(shù)據(jù)關(guān)聯(lián)階段，結(jié)合靜態(tài)特征和動態(tài)特征降低虛新入目標(biāo)的數(shù)量，第二級篩查利用低層外觀對目標(biāo)特征和模板特征進(jìn)行距離匹配，從而減少虛假目標(biāo)對多目標(biāo)跟蹤子系統(tǒng)的干擾。為了進(jìn)一步解決跟蹤過程中級聯(lián)匹配耗時過長的問題，引入了短時軌跡記憶模塊，通過學(xué)習(xí)到的相鄰幀間中心位移向量作為關(guān)聯(lián)基礎(chǔ)，通過相鄰幀間的中心點位移傳遞ID，從而實現(xiàn)快速地進(jìn)行目標(biāo)跟蹤，大大提高了多目標(biāo)跟蹤的跟蹤效率。

2.4" 視頻預(yù)警子系統(tǒng)

視頻事件檢測子系統(tǒng)通過多目標(biāo)檢測子系統(tǒng)、多目標(biāo)跟蹤子系統(tǒng)得到的結(jié)果構(gòu)建視頻事件檢測分析模型，對在隧道場景中的行人、非機(jī)動車、道路擁堵、車輛緩行、異常停車等事件進(jìn)行預(yù)測，為高速公路運營中心提供隧道場景中異常事件的識別與預(yù)警。

為了提高視頻事件檢測子系統(tǒng)的實時性，借助矢量化建模的方式，減少視頻事件檢測子系統(tǒng)在事件檢測過程中消耗的資源以及提升視頻事件檢測的效率。為了進(jìn)一步提高路段運營中心的對預(yù)警信息的處置效率，對事件業(yè)務(wù)邏輯進(jìn)行了優(yōu)化，對多種事件的優(yōu)先級進(jìn)行合并，減少事件多報場景的發(fā)生。

3" 應(yīng)用效果

本試驗的數(shù)據(jù)集采用一個包含多種高速公路隧道交通事件的視頻數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，數(shù)據(jù)集涵蓋眾多路段高速公路隧道的交通事件視頻片段，包括停車、逆行和超速等典型交通事件。本試驗的基礎(chǔ)目標(biāo)檢測模型采用YOLOv3模型對車輛目標(biāo)進(jìn)行檢測。試驗環(huán)境使用英特爾至強(qiáng)Silver4216處理器、12 G內(nèi)存以及Tesla T4顯卡的服務(wù)器進(jìn)行訓(xùn)練和測試。

通過對測試集進(jìn)行評估，基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)表現(xiàn)出了較高的準(zhǔn)確率。試驗結(jié)果表明，該系統(tǒng)在處理停車事件、車輛逆行事件、車輛超速事件時，通過對系統(tǒng)的目標(biāo)檢測子系統(tǒng)、目標(biāo)跟蹤子系統(tǒng)進(jìn)行了優(yōu)化，在隧道場景中能識別部分遮擋的車輛目標(biāo)，識別的目標(biāo)更為精確以及跟蹤的ID更為連續(xù)；系統(tǒng)整體事件識別準(zhǔn)確率相較于基于YOLOv3的隧道預(yù)警系統(tǒng)有了顯著提升，其中分別在停車事件、逆行事件中準(zhǔn)確率提升了3%和超速事件提升了5%（見表1）。這說明本文所提出的基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)具有較強(qiáng)的泛化能力，能夠在多種復(fù)雜場景下有效地識別交通事件進(jìn)行預(yù)警。

4" 結(jié)語

本文主要研究了基于目標(biāo)檢測的高速公路隧道預(yù)警系統(tǒng)。該系統(tǒng)由多路數(shù)據(jù)采集子系統(tǒng)、多目標(biāo)檢測子系統(tǒng)、多目標(biāo)跟蹤子系統(tǒng)與視頻事件檢測子系統(tǒng)構(gòu)成，通過結(jié)合多路數(shù)據(jù)采集子系統(tǒng)的高效率數(shù)據(jù)采集能力、多目標(biāo)檢測子系統(tǒng)的快速精準(zhǔn)檢測能力、多目標(biāo)跟蹤子系統(tǒng)的精確跟蹤連續(xù)能力以及視頻事件檢測子系統(tǒng)的快速精準(zhǔn)分析能力，實現(xiàn)了實時高速公路隧道交通事件預(yù)警。試驗結(jié)果表明，該系統(tǒng)在對高速公路隧道中的多種交通事件類型識別的準(zhǔn)確率較高，具有較強(qiáng)的泛化能力。

下一步工作還需關(guān)注以下方向：（1）進(jìn)一步對系統(tǒng)進(jìn)行優(yōu)化，提高系統(tǒng)在夜晚場景的泛化性；（2）考慮將該系統(tǒng)遷移到城市場景中進(jìn)行使用。

［1］朱金鳳.基于YOLO—v3的高速公路交通事件檢測系統(tǒng)研究［D］.徐州：中國礦業(yè)大學(xué)，2023.

［2］梁" 宇.基于三維卷積神經(jīng)網(wǎng)絡(luò)的交通事件檢測系統(tǒng)［J］.西部交通科技，2023（5）：176-177，199.

［3］陳圓媛，潘珍亮，武奇生，等.基于多數(shù)據(jù)融合的交通事件檢測系統(tǒng)研究［J］.公路交通科技（應(yīng)用技術(shù)版），2012，8（8）：375-377.

［4］李東建.高速公路隧道智能視頻監(jiān)控系統(tǒng)研究與實現(xiàn)［D］.西安：長安大學(xué)，2024.

［5］楊培龍.車載視頻圖像中運動目標(biāo)的識別與跟蹤方法研究［D］.天津：天津大學(xué)，2005.

20240320